CN109445413A - 一种大规模电路互连网络的测试向量自动生成方法 - Google Patents
一种大规模电路互连网络的测试向量自动生成方法 Download PDFInfo
- Publication number
- CN109445413A CN109445413A CN201811260038.7A CN201811260038A CN109445413A CN 109445413 A CN109445413 A CN 109445413A CN 201811260038 A CN201811260038 A CN 201811260038A CN 109445413 A CN109445413 A CN 109445413A
- Authority
- CN
- China
- Prior art keywords
- interference networks
- grouping
- networks
- short trouble
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种大规模电路互连网络的测试向量自动生成方法,首先从电路板中提取出各个互连网络及其配置信息,计算每个互连网络的短路故障概率,然后采用GNS算法对互连网络进行初步分组,为每个互连网络分配GNS序列作为测试向量;再基于遗传算法对互连网络分组进行优化,得到最优互连网络分组方案;最后根据最优互连网络分组方案将GNS序列分配给各个互连网络。本发明针对大规模电路的边界扫描测试,自动生成测试向量,可以缩短测试时间,且能够有效避免征兆误判和征兆混淆的情况发生,故障测试诊断性能良好。
Description
技术领域
本发明属于电路故障测试技术领域,更为具体地讲,涉及一种大规模电路互连网络的测试向量自动生成方法。
背景技术
现代军工及民用装备的可靠性设计很大程度上依赖于电路板的故障诊断率,且对电子设备的诊断维护费用已经达到设备生命周期费用的一半以上,而针对大型复杂电路***,传统的物理探针故障诊断方法已经无法达到电路板测试的激励加载和测试响应获取的要求,边界扫描的出现用虚拟探针代替物理探针的方式,很大程度上提高了电路的可靠性和可控性。
在电子电路***中,互连故障的发生已经达到整个电子***故障数的一半以上,因而互连故障诊断是一个非常重要的故障诊断环节,而研究表明各互连网络之间发生短路故障的概率是不同的,因此可通过分析各互连网络之间的故障发生率对边界扫描测试向量的自动生成进行优化。
目前最具代表性的互连网络测试向量生成方法是GNS(Group sequence,Netsequence and Shifted net sequence)算法。GNS算法是一种基于网络分组的互连测试算法,它在测试时间和诊断能力之间做了较好的折中,测试效率高,且在针对大规模网络的测试诊断中,对比故障诊断率良好的走步算法,由于测试向量个数远小于走步算法,测试诊断时间占很大的优势,且避免了故障误判的情况,但是由于其采用随机分组的方式,仍然存在故障混淆的情况,一定程度上影响了测试性能。
发明内容
本发明的目的在于克服现有技术的不足,提供一种大规模电路互连网络的测试向量自动生成方法,针对大规模电路故障诊断,通过对互连网络分组进行优化,在保证较短测试时间的同时,提升故障诊断率。
为实现上述发明目的,本发明大规模电路互连网络的测试向量自动生成方法包括以下步骤:
S1:对电路板进行仿真得到网表文件,对网表文件进行分析,从中提取各个互连网络及其配置信息,记第i个互连网络为Ni,其中i=1,2,…,M,M表示互连网络数量;
S2:根据步骤S1得到的互连网络及其配置信息,计算每个互连网络的短路故障概率;
S3:采用GNS算法对互连网络进行初步分组,分组方法如下:将M个互连网络分组随机排列为一个互连网络序列,然后每个互连网络为一组,则分组数量前G-1个分组中每个分组中互连网络数量为最后一个分组中互连网络数量为然后为每个互连网络生成GNS序列作为测试向量,记第g个分组的GNS序列集合其中表示第g个分组中第q个互连网络的GNS序列,g=1,2,…,G,q=1,2,…,Qg,Qg表示第g个分组中互连网络数量;
S4:基于遗传算法对互连网络分组进行优化,得到最优互连网络分组方案,具体步骤包括:
S4.1:以互连网络分组方案作为个体,随机生成K个互连网络分组方案,构成初始种群;
S4.2:计算当前种群中K个互连网络分组方案的适应度值,适应度值的计算公式如下:
其中,表示第g个分组中第q个互连网络的短路故障概率,μg表示第g个分组中互连网络的平均短路故障概率,Dg表示第g个分组中互连网络的短路故障概率的标准差,μ表示所有互连网络的平均短路故障概率;
S4.3:判断是否达到迭代结束条件,如果是,进入步骤S4.4,否则进入步骤S4.5;
S4.4:从当前种群中选择适应度值最大的互连网络分组方案作为最优互连网络分组方案;
S4.5:对当前种群进行选择、交叉、变异生成下一代种群,然后返回步骤S4.2,其中:
交叉的方法为:根据预设的交叉概率Pc确定需要进行交叉的个体,然后在该个体对应的互连网络分组方案中,随机选择2个分组,在这两个分组中确定一个交叉点进行交叉;
变异的方法为:根据预设的变异概率Pv,确定需要进行变异的个体,然后采用以下方法进行变异:将该个体中的分组按分组序号依次连接得到该种群的互连网络序列,然后随机选择一个互连网络移动至该互连网络序列的第1位,然后对得到的互连网络序列重新进行分组,得到变异后的个体;
S5:对于步骤S4得到的最优互连网络分组方案,将第g个分组的GNS序列集合中每个GNS序列分配给对应分组中的互连网络,,从而确定各个互连网络对应的测试向量。
本发明大规模电路互连网络的测试向量自动生成方法,首先从电路板中提取出各个互连网络及其配置信息,计算每个互连网络的短路故障概率,然后采用GNS算法对互连网络进行初步分组,为每个互连网络分配GNS序列作为测试向量;再基于遗传算法对互连网络分组进行优化,得到最优互连网络分组方案;最后根据最优互连网络分组方案将GNS序列分配给各个互连网络。本发明针对大规模电路的边界扫描测试,自动生成测试向量,可以缩短测试时间,且能够有效避免征兆误判和征兆混淆的情况发生,故障测试诊断性能良好。
附图说明
图1是本发明大规模电路互连网络的测试向量自动生成方法的具体实施方式流程图;
图2是本实施例中互连网络的短路故障概率的计算流程图;
图3是本发明中基于遗传算法的互连网络分组优化方法的流程图;
图4是本实施例中电路板互连网络示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明大规模电路互连网络的测试向量自动生成方法的具体实施方式流程图。如图1所示,本发明大规模电路互连网络的测试向量自动生成方法的具体步骤包括:
S101:提取互连网络信息:
对电路板进行仿真得到网表文件,对网表文件进行分析,从中提取各个互连网络及其配置信息,记第i个互连网络为Ni,其中i=1,2,…,M,M表示互连网络数量。
S102:计算互连网络短路故障概率:
根据步骤S101得到的互连网络及其配置信息,计算每个互连网络的短路故障概率。互连网络的短路故障概率的具体计算方法可以根据实际需要选择。图2是本实施例中互连网络的短路故障概率的计算流程图。如图2所示,本实施中互连网络的短路故障概率的计算具体步骤包括:
S201:计算指数衰减函数:
电路板上不同互连网络之间发生短路故障的可能性是不相同的。大量研究表明,电路板上的短路故障通常是发生在焊点、导线以及过孔之间,并且发生短路故障的可能性与其在电路板上的分布情况密切相关,特别是会随着相互间距离的增大而显著减少,可以用指数衰减函数来定量描述这种关系。指数衰减函数α(P,P′)的计算公式如下:
其中,P和P′表示电路板上的两个对象(如焊点、导线、过孔等);L0表示电路板上任意两个对象之间距离的最小值(由电路板的制造工艺决定);L表示对象P和P′之间的距离(通常是L0的整数倍);Lmax表示两个对象之间发生短路故障时,它们之间的最大可能距离;α0表示最邻近两个对象之间发生短路故障的概率(远小于1的常数);A表示短路故障发生的概率相对于两个对象间距离的衰减系数(一般为远大于1的常数)。
S202:计算互连网络之间的短路故障概率:
电路板上的互连网络通常是由相互连接的多个对象构成,假定短路故障之间相互独立,可知两个互连网络之间发生短路故障的概率为任意两个对象(分属于这两个互连网络)短路概率之和,因此可以根据以下公式计算得到两个互连网络之间的短路故障概率:
其中,Ni和Nj分别表示第i个和第j个互联网络,i,j=1,2,…,M。
S203:建立电路拓扑模型:
根据步骤S202得到的两个互连网络之间的短路故障概率β(Ni,Nj),构建短路故障概率矩阵B,其表达式如下:
然后将每个互连网络作为节点,将短路故障概率矩阵B作为邻接矩阵,得到无向加权图,作为电路板的拓扑模型。显然,无向加权图中边的权值即为对应的短路故障概率。
S204:计算互连网络短路故障概率:
根据电路板的拓扑模型,对于各个互连网络,计算对应节点的所有边的权值和,作为该互连网络的短路故障概率。根据指数衰减函数和短路故障可能性的计算公式可知,互连网络的短路故障概率为α0的倍数。
S103:生成测试向量:
采用GNS算法对互连网络进行初步分组,分组方法如下:将M个互连网络分组随机排列为一个互连网络序列,然后每个互连网络为一组,则分组数量前G-1个分组中每个分组中互连网络数量为最后一个分组中互连网络数量为然后为每个互连网络生成GNS序列作为测试向量,记第g个分组的GNS序列集合其中表示第g个分组中第q个互连网络的GNS序列,g=1,2,…,G,q=1,2,…,Qg,Qg表示第g个分组中互连网络数量。
S104:优化互连网络分组:
步骤S103中的分组采用GNS算法得到,是随机分组的,还需要进行进一步优化,本发明中设计了一种基于遗传算法的互连网络分组优化方法,对初步分组进行优化。图3是本发明中基于遗传算法的互连网络分组优化方法的流程图。如图3所示,本发明中基于遗传算法的互连网络分组优化的具体步骤包括:
S301:初始化种群:
本发明以互连网络分组方案作为个体,随机生成K个互连网络分组方案,构成初始种群。与步骤S103相同,互连网络分组方案的生成方法为:将M个互连网络分组随机排列为一个互连网络序列,然后分为G个分组,即每个互连网络为一组,共计得到个分组,前G-1个分组中每个分组中互连网络数量为最后一个分组中互连网络数量为从而得到互连网络分组方案。
S302:计算个体适应度值:
计算当前种群中K个互连网络分组方案的适应度值,适应度值的计算公式如下:
其中,表示第g个分组中第q个互连网络的短路故障概率,μg表示第g个分组中互连网络的平均短路故障概率,Dg表示第g个分组中互连网络的短路故障概率的标准差,μ表示所有互连网络的平均短路故障概率。
根据以上计算公式可知,本发明中是采用每个分组的内部差异与组与组之间外部差异的比值来作为适应度值的,因此对于本发明而言,适应度值越大,个体越优。
S303:判断是否达到迭代结束条件,如果是,进入步骤S304,否则进入步骤S305。迭代结束条件一般有两种,一种是最大迭代次数,一种是适应度值达到预设阈值,根据实际情况设置即可。
S304:确定最优互连网络分组方案:
从当前种群中选择适应度值最大的互连网络分组方案作为最优互连网络分组方案。
S305:生成下一代种群:
对当前种群进行选择、交叉、变异生成下一代种群,然后返回步骤S302。
本发明中的选择操作与常规遗传算法相同,根据预设的选择概率Ps,选择适应度值较大的个体即可,而交叉和变异两个操作则根据本发明的特点进行了改进。
本发明在进行交叉操作时不是个体与个体之间的基因交叉,而是采用的自体交叉,即个体内部位置交叉,具体方法如下:根据预设的交叉概率Pc确定需要进行交叉的个体,然后在该个体对应的互连网络分组方案中,随机选择2个分组,在这两个分组中确定一个交叉点进行交叉。
本发明在进行变异操作时,根据预设的变异概率Pv,确定需要进行变异的个体,然后采用以下方法进行变异:将该个体中的分组按分组序号依次连接得到该种群的互连网络序列,然后随机选择一个互连网络移动至该互连网络序列的第1位,然后对得到的互连网络序列重新进行分组,得到变异后的个体。
S105:测试向量分配:
对于步骤S104得到的最优互连网络分组方案,将第g个分组的GNS序列集合中每个GNS序列分配给对应分组中的互连网络,从而确定各个互连网络对应的测试向量。GNS序列集合需要按照分组序号进行对应分配,在分组内部,GNS序列可以随机分配。
为了更好地说明本发明的技术方案,采用一个具体实例对本发明进行详细说明。图4是本实施例中电路板互连网络示意图。如图4所示,本实施例中根据对获取的电路板网表文件进行分析,确定电路板中存在16个互连网络。通过对仿真生成的描述文件进行相关信息的提取,建立相应拓扑模型,从而可以计算计算出各互连网络短路故障概率。表1是本实施例中互连网络短路故障概率表。
表1
采用GNS算法对本实施例中的互连网络进行分组,并生成GNS序列作为测试向量。表2是本实施例中GNS算法生成的初步分组和GNS序列。
表2
然后随机生成50个个体,构成初始种群,个体示例如下:
其中,每个括号表示一个分组。
经过本发明所定义的遗传算法的一系列交叉、变异、选择运算操作之后,得到的最优近似解为如下个体:
即所得到的四个分组分别为N1、N6、N11、N16,N3、N8、N9、N14,N2、N5、N12、N15和N4、N7、N10、N13。表3是本实施例经优化所得到的GNS分组及GNS序列分配结果。
表3
从表2可以看出,当Gourp1,即N1、N6、N11、N16发生短路,Group2,即N3、N8、N9、N14也发生短路,其相应的响应序列都为111111110101,则无法分辨N1、N6、N11、N16、N3、N8、N9、N14之间是否发生短路情况,此时会出现征兆混淆的情况。而根据表3的优化结果可知,根据该优化结果进行实际测试时,Gourp1、Group2中互连网络发生短路故障可能性较大,本发明可以尽可能的将易发生短路故障的网络分在同一组,即有效避免了GNS算法中的征兆混淆的发生。经实验证明,本发明在应用于大规模电路板的时候,技术优势相对于普通的GNS算法会更加明显。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种大规模电路互连网络的测试向量自动生成方法,其特征在于,包括以步骤:
S1:对电路板进行仿真得到网表文件,对网表文件进行分析,从中提取各个互连网络及其配置信息,记第i个互连网络为Ni,其中i=1,2,…,M,M表示互连网络数量;
S2:根据步骤S1得到的互连网络及其配置信息,计算每个互连网络的短路故障概率;
S3:采用GNS算法对互连网络进行初步分组,分组方法如下:将M个互连网络分组随机排列为一个互连网络序列,然后每个互连网络为一组,则分组数量前G-1个分组中每个分组中互连网络数量为最后一个分组中互连网络数量为然后为每个互连网络生成GNS序列作为测试向量,记第g个分组的GNS序列集合其中表示第g个分组中第q个互连网络的GNS序列,g=1,2,…,G,q=1,2,…,Qg,Qg表示第g个分组中互连网络数量;
S4:基于遗传算法对互连网络分组进行优化,得到最优互连网络分组方案,具体步骤包括:
S4.1:以互连网络分组方案作为个体,随机生成K个互连网络分组方案,构成初始种群;
S4.2:计算当前种群中K个互连网络分组方案的适应度值,适应度值的计算公式如下:
其中,表示第g个分组中第q个互连网络的短路故障概率,μg表示第g个分组中互连网络的平均短路故障概率,Dg表示第g个分组中互连网络的短路故障概率的标准差,μ表示所有互连网络的平均短路故障概率;
S4.3:判断是否达到迭代结束条件,如果是,进入步骤S4.4,否则进入步骤S4.5;
S4.4:从当前种群中选择适应度值最大的互连网络分组方案作为最优互连网络分组方案;
S4.5:对当前种群进行选择、交叉、变异生成下一代种群,然后返回步骤S4.2,其中:
交叉的方法为:根据预设的交叉概率Pc确定需要进行交叉的个体,然后在该个体对应的互连网络分组方案中,随机选择2个分组,在这两个分组中确定一个交叉点进行交叉;
变异的方法为:根据预设的变异概率Pv,确定需要进行变异的个体,然后采用以下方法进行变异:将该个体中的分组按分组序号依次连接得到该种群的互连网络序列,然后随机选择一个互连网络移动至该互连网络序列的第1位,然后对得到的互连网络序列重新进行分组,得到变异后的个体;
S5:对于步骤S4得到的最优互连网络分组方案,将第g个分组的GNS序列集合中每个GNS序列分配给对应分组中的互连网络,,从而确定各个互连网络对应的测试向量。
2.根据权利要求1所述的大规模电路互连网络的测试向量自动生成方法,其特征在于,所述步骤S2中互连网络的短路故障概率计算方法包括以下步骤:
S2.1:根据以下公式计算电路板上任意两个对象间的指数衰减函数α(P,P′):
其中,P和P′表示电路板上的两个对象,电路板的对象包括焊点、导线、过孔;L0表示电路板上任意两个对象之间距离的最小值;Lmax表示两个对象之间发生短路故障时,它们之间的最大可能距离;α0表示最邻近两个对象之间发生短路故障的可能;A表示短路故障发生的概率相对于两个对象间距离的衰减系数;
S2.2:根据以下公式计算得到两个互连网络之间的短路故障可能性:
其中,Ni和Nj分别表示第i个和第j个互联网络,i,j=1,2,…,M;
S2.3:根据步骤S2.2得到的两个互连网络之间的短路故障概率β(Ni,Nj),构建短路故障概率矩阵B,其表达式如下:
然后将每个互连网络作为节点,将短路故障概率矩阵B作为邻接矩阵,得到无向加权图,作为电路板的拓扑模型;
S2.4:根据电路板的拓扑模型,对于各个互连网络,计算对应节点的所有边的权值和,作为该互连网络的短路故障概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260038.7A CN109445413B (zh) | 2018-10-26 | 2018-10-26 | 一种大规模电路互连网络的测试向量自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260038.7A CN109445413B (zh) | 2018-10-26 | 2018-10-26 | 一种大规模电路互连网络的测试向量自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109445413A true CN109445413A (zh) | 2019-03-08 |
CN109445413B CN109445413B (zh) | 2021-02-02 |
Family
ID=65547636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260038.7A Active CN109445413B (zh) | 2018-10-26 | 2018-10-26 | 一种大规模电路互连网络的测试向量自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445413B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289876A (zh) * | 2020-03-02 | 2020-06-16 | 电子科技大学 | 一种大规模电路的边界扫描互连测试矢量生成方法 |
CN114584484A (zh) * | 2022-01-18 | 2022-06-03 | 阿里云计算有限公司 | 测试网络性能的方法以及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526582A (zh) * | 2008-03-07 | 2009-09-09 | 佛山市顺德区顺达电脑厂有限公司 | 边界扫描测试向量生成方法 |
CN102495347A (zh) * | 2011-12-01 | 2012-06-13 | 北京航天测控技术有限公司 | 一种边界扫描互联网络测试向量生成方法 |
US20140059399A1 (en) * | 2008-07-21 | 2014-02-27 | Synopsys, Inc. | Test design optimizer for configurable scan architectures |
CN105334452A (zh) * | 2015-11-30 | 2016-02-17 | 张释文 | 一种边界扫描测试*** |
CN107590313A (zh) * | 2017-08-14 | 2018-01-16 | 天津大学 | 基于遗传算法和变异分析的优化测试向量生成方法 |
-
2018
- 2018-10-26 CN CN201811260038.7A patent/CN109445413B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526582A (zh) * | 2008-03-07 | 2009-09-09 | 佛山市顺德区顺达电脑厂有限公司 | 边界扫描测试向量生成方法 |
US20140059399A1 (en) * | 2008-07-21 | 2014-02-27 | Synopsys, Inc. | Test design optimizer for configurable scan architectures |
CN102495347A (zh) * | 2011-12-01 | 2012-06-13 | 北京航天测控技术有限公司 | 一种边界扫描互联网络测试向量生成方法 |
CN105334452A (zh) * | 2015-11-30 | 2016-02-17 | 张释文 | 一种边界扫描测试*** |
CN107590313A (zh) * | 2017-08-14 | 2018-01-16 | 天津大学 | 基于遗传算法和变异分析的优化测试向量生成方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289876A (zh) * | 2020-03-02 | 2020-06-16 | 电子科技大学 | 一种大规模电路的边界扫描互连测试矢量生成方法 |
CN114584484A (zh) * | 2022-01-18 | 2022-06-03 | 阿里云计算有限公司 | 测试网络性能的方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109445413B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Comparative definition of community and corresponding identifying algorithm | |
CN107394773B (zh) | 考虑故障处理全过程的配网信息物理***可靠性评估方法 | |
Lancichinetti et al. | Statistical significance of communities in networks | |
CN107958329B (zh) | 一种供电可靠性的评估方法及*** | |
CN105790279B (zh) | 基于谱聚类的无功电压分区方法 | |
CN105322519B (zh) | 一种智能配电网大数据融合分析与运行状态监测方法 | |
CN105786678B (zh) | 一种基于相关性模型的测试性预计方法 | |
CN106229964A (zh) | 一种基于改进二进制粒子群算法的配电网故障定位方法 | |
CN105629156A (zh) | 基于遗传规划的模拟电路故障测试最优序贯搜索方法 | |
CN101799838B (zh) | 用于寻找片上网络的任务与节点间映射方案的方法 | |
CN104204969B (zh) | 参数设定装置 | |
CN109145428A (zh) | 一种连锁故障模式下信息物理融合***脆弱性评估方法 | |
CN102932479B (zh) | 一种基于历史数据实现拓扑感知的虚拟网络映射方法 | |
CN109445413A (zh) | 一种大规模电路互连网络的测试向量自动生成方法 | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
CN107818232B (zh) | 基于负载容量模型的集成电路关键部件确定方法 | |
CN113315672B (zh) | 流量分配方法及装置、电子设备及计算机可读存储介质 | |
CN104133766A (zh) | 基于多目标社团发现的软件***可维护性评估与提升方法 | |
CN109347657A (zh) | Sdn模式下支撑科技业务的虚拟数据域构建方法 | |
CN103761212A (zh) | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 | |
CN107317890A (zh) | 一种智能车载网的数据传输实现方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN112865085B (zh) | 一种用于电力信息物理***的攻击模拟方法及*** | |
CN112016085A (zh) | 一种应对信息-物理协同攻击的发输电***规划方法 | |
CN109858822B (zh) | 一种基于流关联分析的信息电力融合***可靠性评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |